Update scoring_calculation_system.py

scoring_calculation_system.py

@@ -2322,20 +2322,11 @@ def calculate_breed_compatibility_score(scores: dict, user_prefs: UserPreference
     
     return min(max_possible_score, max(min_possible_score, final_score))
 
+
 def amplify_score_extreme(score: float) -> float:
     """
     優化分數分布，提供更有意義的評分範圍。
-    
-    這個函數就像是一個分數校準器，它的作用類似於相機的色彩校準，
-    讓原始的分數分布能更好地反映實際的匹配程度。比如，一個90分的匹配
-    應該確實代表一個非常好的搭配，而不是一個僅僅"還可以"的選擇。
-    
-    我們使用分段函數和平滑曲線來實現這個目標：
-    - 90-100分代表極佳匹配（映射到96-100）
-    - 80-90分代表優秀匹配（映射到90-96）
-    - 70-80分代表良好匹配（映射到82-90）
-    - 50-70分代表可接受匹配（映射到75-82）
-    - 50分以下代表較差匹配（映射到70-75）
+    純粹進行數學轉換，不依賴外部資訊。
     
     Parameters:
         score: 原始評分（0-1之間的浮點數）
@@ -2344,104 +2335,36 @@ def amplify_score_extreme(score: float) -> float:
         float: 調整後的評分（0-1之間的浮點數）
     """
     def smooth_curve(x: float, steepness: float = 12) -> float:
-        """
-        創建平滑的S型曲線用於分數轉換。
-        
-        這個函數使用sigmoid函數來產生平滑的轉換曲線，避免分數在
-        不同區間之間產生突兀的跳變。就像是在照片編輯中，我們會使用
-        漸變而不是突變來調整色調。
-        
-        Parameters:
-            x: 輸入值（0-1之間）
-            steepness: 曲線的陡峭程度，越大曲線越陡
-            
-        Returns:
-            float: 轉換後的值（0-1之間）
-        """
+        """創建平滑的S型曲線用於分數轉換"""
         import math
         return 1 / (1 + math.exp(-steepness * (x - 0.5)))
 
-    def apply_range_mapping(score: float) -> float:
-        """
-        將分數映射到新的範圍，並保持平滑過渡。
-        
-        這個函數負責將原始分數轉換到新的分數範圍。就像是將溫度從
-        攝氏度轉換到華氏度，但要保持溫度變化的連續性。
-        
-        Parameters:
-            score: 原始分數
-            
-        Returns:
-            float: 映射後的分數
-        """
-        # 極佳匹配區間（90-100）
-        if score >= 0.90:
-            # 計算在當前區間內的相對位置
-            position = (score - 0.90) / 0.10
-            # 映射到96-100的範圍
-            return 0.96 + (position * 0.04)
-            
-        # 優秀匹配區間（80-90）
-        elif score >= 0.80:
-            position = (score - 0.80) / 0.10
-            # 使用平滑曲線進行轉換
-            transition = smooth_curve(position)
-            return 0.90 + (transition * 0.06)
-            
-        # 良好匹配區間（70-80）
-        elif score >= 0.70:
-            position = (score - 0.70) / 0.10
-            # 加入輕微的非線性轉換
-            return 0.82 + (math.pow(position, 0.9) * 0.08)
-            
-        # 可接受匹配區間（50-70）
-        elif score >= 0.50:
-            position = (score - 0.50) / 0.20
-            # 使用更平緩的曲線
-            return 0.75 + (smooth_curve(position) * 0.07)
-            
-        # 較差匹配區間（50以下）
-        else:
-            position = score / 0.50
-            # 確保即使是較低分數也能得到基本分數
-            return 0.70 + (smooth_curve(position) * 0.05)
-
-    def apply_context_bonus(score: float) -> float:
-        """
-        根據具體情況添加額外的分數調整。
-        
-        這個函數考慮特定的場景來微調分數，就像是考試時會根據題目
-        的難度來調整給分標準。
-        
-        Parameters:
-            score: 當前分數
-            
-        Returns:
-            float: 調整後的分數
-        """
-        bonus = 0
-        
-        # 特殊場景加分
-        temperament = breed_info.get('Temperament', '').lower()
-        if user_prefs.living_space == 'apartment':
-            if 'adaptable' in temperament and score > 0.85:
-                bonus += 0.02
-                
-        # 運動需求匹配度加分
-        if breed_info.get('Exercise Needs', 'MODERATE').upper() == 'LOW':
-            if user_prefs.exercise_time <= 60 and score > 0.85:
-                bonus += 0.01
-                
-        return min(1.0, score + bonus)
+    # 90-100分的轉換（極佳匹配）
+    if score >= 0.90:
+        position = (score - 0.90) / 0.10
+        return 0.96 + (position * 0.04)
+        
+    # 80-90分的轉換（優秀匹配）
+    elif score >= 0.80:
+        position = (score - 0.80) / 0.10
+        return 0.90 + (position * 0.06)
+        
+    # 70-80分的轉換（良好匹配）
+    elif score >= 0.70:
+        position = (score - 0.70) / 0.10
+        return 0.82 + (position * 0.08)
+        
+    # 50-70分的轉換（可接受匹配）
+    elif score >= 0.50:
+        position = (score - 0.50) / 0.20
+        return 0.75 + (smooth_curve(position) * 0.07)
+        
+    # 50分以下的轉換（較差匹配）
+    else:
+        position = score / 0.50
+        return 0.70 + (smooth_curve(position) * 0.05)
 
-    # 應用基本的範圍映射
-    adjusted_score = apply_range_mapping(score)
-    
-    # 應用情境相關的調整
-    final_score = apply_context_bonus(adjusted_score)
-    
-    # 確保分數在有效範圍內
-    return round(min(1.0, max(0.0, final_score)), 4)
+    return round(min(1.0, max(0.0, score)), 4)
 
 # def amplify_score_extreme(score: float) -> float:
 #     """優化分數分布，提供更高的分數範圍"""